بهبود مدیریت موثر عدم قطعیت در تصمیم گیری های نظامی با استفاده از عامل های شناختی، دسته بندی براساس قوانین وابستگی فازی و انتخاب ژنتیکی قوانین

تصمیم گیری یکی از مهمترین موضوعات مورد بررسی در تحقیقات نظامی بشمار می رود. یکی از چالش های موجود دراین بحث وجود عدم قطعیت در محیط های جنگی می باشد که تاثیرات مخربی بر کیفیت و دقت تصمیم گیری می گذارد.در مقاله هروی و همکارانش، چاپ شده در سال 2013، بکارگیری ترکیبی از دو موضوع عامل های شناختی و دسته بندی براساس قوانین وابستگی فازی به عنوان زمینه های موثر و پرکاربرد، توانسته بود تا حدودی این مسئله را کمرنگ کرده وسعی در کاهش عدم قطعیت داشته باشد. ولی هم چنان در شرایط حساس و بحرانی، نیاز به سرعت عمل بیشتر با حذف قوانین نامعتبر و ناکارای استخراج شده در اتخاذ تصمیم های موثرتر قابل انکار نیست.هدف این مقاله، بهره گیری از ظرفیت های الگوریتم ژنتیک در انتخاب قوانین واقع بینانه تر به عنوان یک روش فراابتکاری در تکمیل روش قبلی بصورت ترکیبی، برای کاهش هرچه بیشتر عدم قطعیت در تصمیم گیری ها می باشد. نتایج تجربی بدست آمده در مقایسه با روش پیشین، به روشنی نشان می دهد که این ترکیب علاوه بر مزیتهای روش قبل، بدلیل کاهش هرچه بیشتر قوانین تولید شده برای اتخاذ تصمیم، قابل فهم تر، دقیقتر و ریسک پذیری عاقلانه تری دارد.

Improved Effective Management of the Uncertainty inArmy Decision Making using Cognitive Agents,Classification based on Fuzzy Association Rules andGenetic Rule Selection

Decision making (DM) is an important problem in most of the armyoperations. One of the challenging issues in this area is uncertainty in warswith uncertain information which causes many destructive effects on theresults of strategies in battlefields. In the Heravi et al. article’s, published inthe year 2013, utilizing a combination of Cognitive Agent (CA) andClassification based on Fuzzy Association Rules (CFAR) as the mosteffective and widely used methods, was able to relatively reduce thisproblem and tried to reduce uncertainty. But still in critical condition, can’tdeny the need to act quickly and remove most invalid and inefficient rulesextracted in the effective decisions.This paper aims to utilize the capabilities of Genetic Algorithm (GA) in amore realistic selection rules as a metaheuristic way to combinecomplementary methods to minimize the uncertainty in DM. In comparisonwith previous method, experimental results achieved, clearly show that thiscombination in addition to the advantages of the previous method, due to thefurther reduction of production rules for DM, are more understandable andaccurate and has more rational risk acceptance.